[發(fā)明專利]一種高壓開關(guān)機(jī)械故障的自動識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202010583389.2
• 申請日: 2020-06-23
• 公開（公告）號: CN111796180A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計）人: 林翔宇;王曉明;周柯;巫聰云;李文偉;周衛(wèi);蘆宇峰;彭博雅
• 申請（專利權(quán)）人: 廣西電網(wǎng)有限責(zé)任公司電力科學(xué)研究院;廣西電網(wǎng)有限責(zé)任公司欽州供電局
• 主分類號: G01R31/327
• 分類號: G01R31/327;G01M13/00;G06N3/04
• 代理公司: 北京國帆知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11334
• 代理人: 李增朝;徐愛萍

1.一種高壓開關(guān)機(jī)械故障的自動識別方法，其特征在于，所述方法包括：

基于電流鉗采集高壓開關(guān)分合閘控制回路在分合閘時的電流信號；以及，

基于聲音傳感器采集高壓開關(guān)分合閘控制回路在分合閘時的聲音信號；

對所述電流信號及所述聲音信號進(jìn)行模數(shù)轉(zhuǎn)換處理，獲得電流及聲音數(shù)字信號；

對所述電流及聲音數(shù)字信號進(jìn)行預(yù)處理，獲得預(yù)處理后的數(shù)字信號；

將預(yù)處理后的數(shù)字信號輸入訓(xùn)練收斂的卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行高壓開關(guān)機(jī)械故障的自動識別。

2.根據(jù)權(quán)利要求1所述的自動識別方法，其特征在于，所述電流鉗設(shè)置在高壓開關(guān)本體的分合閘控制回路的電纜出線處，所述電流鉗為交直流兩用電流鉗，電流采樣頻率為200kHz；

所述聲音傳感器設(shè)置在距離高壓開關(guān)本體中央表面10CM處，聲音采樣頻率為200kHz。

3.根據(jù)權(quán)利要求1所述的自動識別方法，其特征在于，所述基于電流鉗采集高壓開關(guān)分合閘控制回路在分合閘時的電流信號，包括：

設(shè)定電流閾值，在高壓開關(guān)分合閘控制時，在電流達(dá)到電流閾值時，所述電流鉗采集該時刻的前0.25s和該時刻后0.75s時間窗口內(nèi)的電流信號；

所述基于聲音傳感器采集高壓開關(guān)分合閘控制回路在分合閘時的聲音信號，包括：

在高壓開關(guān)分合閘控制時，在電流達(dá)到電流閾值時，所述聲音傳感器采集該時刻的前0.25s和該時刻后0.75s時間窗口內(nèi)的聲音信號。

4.根據(jù)權(quán)利要求1所述的自動識別方法，其特征在于，所述對所述電流信號及所述聲音信號進(jìn)行模數(shù)轉(zhuǎn)換處理，獲得電流及聲音數(shù)字信號，包括：

對所述電流信號及所述聲音信號利用A/D轉(zhuǎn)換器采用逐次逼近法進(jìn)行模數(shù)轉(zhuǎn)換處理，獲得電流及聲音數(shù)字信號。

5.根據(jù)權(quán)利要求1所述的自動識別方法，其特征在于，所述對所述電流及聲音數(shù)字信號進(jìn)行預(yù)處理，獲得預(yù)處理后的數(shù)字信號，包括：

對所述電流數(shù)字信號和所述聲音數(shù)字信號進(jìn)行下采樣處理，獲得下采樣后的電流數(shù)字信號和聲音數(shù)字信號；

對下采樣后的電流數(shù)字信號和聲音數(shù)字信號進(jìn)行翻轉(zhuǎn)處理，獲得翻轉(zhuǎn)后的電流數(shù)字信號和聲音數(shù)字信號；

對所述翻轉(zhuǎn)后的電流數(shù)字信號和聲音數(shù)字信號進(jìn)行歸一化處理，獲得歸一化后的電流數(shù)字信號和聲音數(shù)字信號；

對歸一化后的電流數(shù)字信號和聲音數(shù)字信號進(jìn)行對應(yīng)疊加處理，獲得預(yù)處理后的數(shù)字信號。

6.根據(jù)權(quán)利要求5所述的自動識別方法，其特征在于，所述對所述翻轉(zhuǎn)后的電流數(shù)字信號和聲音數(shù)字信號進(jìn)行歸一化處理的處理公式如下：

其中，為歸一化后的第i個翻轉(zhuǎn)后的電流數(shù)字信號或聲音數(shù)字信號；s_i為第i個翻轉(zhuǎn)后的電流數(shù)字信號或聲音數(shù)字信號；s_max為采樣的電流數(shù)字信號或聲音數(shù)字信號中絕對值最大的采樣值。

7.根據(jù)權(quán)利要求1所述的自動識別方法，其特征在于，所述訓(xùn)練收斂的卷積神經(jīng)網(wǎng)絡(luò)模型的獲得，包括：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；

將訓(xùn)練樣本分為訓(xùn)練集、驗(yàn)證集和測試集，其中所述訓(xùn)練集、驗(yàn)證集和測試集的比例為1:5:4；

將所述訓(xùn)練集輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，且在訓(xùn)練過程中，根據(jù)訓(xùn)練集的數(shù)據(jù)調(diào)整神經(jīng)元權(quán)重、偏置網(wǎng)絡(luò)參數(shù)，訓(xùn)練出故障診斷模型；同時，

將所述驗(yàn)證集輸入卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述驗(yàn)證集調(diào)整學(xué)習(xí)率；

將所述測試集輸入故障診斷模型進(jìn)行故障診斷，若診斷準(zhǔn)確率超過或等于預(yù)設(shè)準(zhǔn)確率，則所述卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練收斂，獲得訓(xùn)練收斂的卷積神經(jīng)網(wǎng)絡(luò)模型；

若診斷準(zhǔn)確率小于預(yù)設(shè)準(zhǔn)確率，則采用反向傳播算法對故障診斷模型所有層參數(shù)的系數(shù)進(jìn)行重置，并采用所述訓(xùn)練集進(jìn)行重新訓(xùn)練。